第五周（反向神经网络）-【机器学习-Coursera Machine Learning-吴恩达】

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/KevinBetterQ/article/details/79469949

目录
    代价函数
    反向传播

    神经网络总结

1 代价函数

2 反向传播算法——让代价函数最小化的算法

让代价函数最小化，利用matlab函数库fminunc时

在costFunction时需要

·代价函数计算方法 

·代价函数的偏导数

为了得到这个偏导数，使用反向传播算法：

扫描二维码关注公众号，回复： 4234979 查看本文章

3 反向传播算法实现

1）矩阵表达式和向量表达式的转换

矩阵变为向量：

向量还原矩阵：

向量表达式便于使用优化函数，如 fminunc()

2）梯度检验（利用数值计算）
反向传播算法非常复杂，所以最好使用时进行一下检验。

使用数值计算近似导数：

多参数时

matlab实现

检验：
gradApprox ≈ deltaVector
注意：

一旦你验证一次反向传播算法是正确的，就不需要再一次计算gradApprox，因为计算它会花费大量时间。

3）随机初始化

给出初始theta时，使用：

4 神经网络总结

1）选择神经网络结构

输入层单元数、输出层单元数、隐藏层个数以及各自的单元数（默认一个隐藏层，如果多个建议每层单元数相同）。

2）训练神经网络

· 随机初始化权重，也就是theta
· 为任意 x 使用前向传播获取 h
· 实现代价函数cost function
· 实现反向传播算法计算 偏导数
· 梯度检查
· 使用梯度下降或内置的优化函数，使成本函数最小化


题目：